深度学习增强的道路交通分析：基于PlanetScope影像的可扩展车辆检测与速度估计
计算机视觉与模式识别
2024-10-22 v1 机器学习
摘要
本文提出了一种利用PlanetScope SuperDove卫星影像检测和估计车辆速度的方法，为全球车辆交通监测提供了可扩展的解决方案。传统方法如固定传感器和无人机等移动系统在覆盖范围上有限，且受高成本和法律限制的约束。基于卫星的方法提供了广泛的空间覆盖，但面临挑战，包括高成本、低帧率以及在高分辨率影像中检测小型车辆的困难。我们提出了一个Keypoint R-CNN模型，用于跨RGB波段跟踪车辆轨迹，利用波段时间差来估计速度。使用覆盖德国和波兰高速公路的无人机镜头和GPS数据进行验证。我们的模型实现了0.53的平均精度均值，与GPS数据相比，速度估计误差约为3.4 m/s。无人机比较结果显示低估现象，卫星数据的平均速度为112.85 km/h，而无人机镜头为131.83 km/h。尽管在高速精度方面仍存在挑战，但该方法展示了在大范围区域内进行可扩展的日常交通监测的潜力，为全球交通动态提供了宝贵的见解。
引用
@article{arxiv.2410.14698,
title = {Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery},
author = {Maciej Adamiak and Yulia Grinblat and Julian Psotta and Nir Fulman and Himshikhar Mazumdar and Shiyu Tang and Alexander Zipf},
journal= {arXiv preprint arXiv:2410.14698},
year = {2024}
}